собраться

Сбор свойств модели машинного обучения из графического процессора

Синтаксис

gatheredMdl = собираются (mdl)

[gatheredMdl1,gatheredMdl2,...,gatheredMdln] = собрать (mdl1, mdl2,..., mdln)

Описание

gatheredMdl = gather(mdl) собирает все свойства входной регрессионной или классификационной модели mdl и возвращает собранную модель gatheredMdl. Все свойства выходной модели сохраняются в локальной рабочей области.

Использовать gather создание модели машинного обучения со свойствами, хранящимися в локальном рабочем пространстве, из модели, установленной с использованием данных, хранящихся в виде массива графического процессора. Дополнительные сведения о массивах графических процессоров см. в разделе gpuArray(Панель инструментов параллельных вычислений).

[gatheredMdl1,gatheredMdl2,...,gatheredMdln] = gather(mdl1,mdl2,...,mdln) собирает свойства нескольких моделей mdl1,mdl2,...,mdln и возвращает соответствующие собранные модели gatheredMdl1,gatheredMdl2,...,gatheredMdln. Количество входных и выходных аргументов должно совпадать.

Примеры

свернуть все

Сбор свойств модели линейной регрессии

В этом примере используются:

Открыть сценарий в реальном времени

Сбор свойств модели линейной регрессии, оснащенной данными массива графического процессора.

Загрузить carsmall набор данных. Создать X в виде числовой матрицы, содержащей три показателя эффективности автомобиля. Создать Y как числовой вектор, содержащий соответствующие мили на галлон.

load carsmall
X = [Weight,Horsepower,Acceleration];
Y = MPG;

Преобразование предиктора X и реагирование Y кому gpuArray(Панель инструментов параллельных вычислений).

X = gpuArray(X);
Y = gpuArray(Y);

Подгонка модели линейной регрессии mdl с помощью fitlm.

mdl = fitlm(X,Y);

Отображение коэффициентов mdl и определяют, являются ли оцененные значения коэффициентов массивами GPU.

mdl.Coefficients

ans=4×4 table
                    Estimate        SE          tStat        pValue  
                   __________    _________    _________    __________

    (Intercept)        47.977       3.8785        12.37    4.8957e-21
    x1             -0.0065416    0.0011274      -5.8023    9.8742e-08
    x2              -0.042943     0.024313      -1.7663       0.08078
    x3              -0.011583      0.19333    -0.059913       0.95236

isgpuarray(mdl.Coefficients.Estimate)

ans = logical
   1

Соберите свойства модели линейной регрессии.

gatheredMdl = gather(mdl);

Отображение коэффициентов gatheredMdl и определяют, являются ли оцененные значения коэффициентов массивами GPU.

gatheredMdl.Coefficients

ans=4×4 table
                    Estimate        SE          tStat        pValue  
                   __________    _________    _________    __________

    (Intercept)        47.977       3.8785        12.37    4.8957e-21
    x1             -0.0065416    0.0011274      -5.8023    9.8742e-08
    x2              -0.042943     0.024313      -1.7663       0.08078
    x3              -0.011583      0.19333    -0.059913       0.95236

isgpuarray(gatheredMdl.Coefficients.Estimate)

ans = logical
   0

Сбор свойств нескольких моделей

В этом примере используются:

Открыть сценарий в реальном времени

Соберите свойства модели линейной регрессии и k-ближайшего соседнего классификатора. Обе модели устанавливаются с использованием данных массива GPU.

Загрузить carsmall набор данных. Создать X в виде числовой матрицы, которая содержит три показателя эффективности автомобиля и преобразует предиктор X в gpuArray объект.

load carsmall
X = [Weight,Horsepower,Acceleration];
X = gpuArray(X);

Подгонка модели линейной регрессии MPG (мили на галлон) как функция предиктора X.

mdlLinear = fitlm(X,MPG);

Обучение 3-ближайшего классификатора соседей с помощью предиктора X и классы Cylinders. Стандартизация данных некатегорического предиктора.

mdlKNN = fitcknn(X,Cylinders,'NumNeighbors',3,'Standardize',1);

Соберите свойства mdLinear и mdlKNN модели.

[gMdlLinear,gMdlKNN] = gather(mdlLinear,mdlKNN);

Определение значения p теста Дурбина-Ватсона для регрессионной модели mdlLinear является массивом графического процессора.

isgpuarray(dwtest(mdlLinear))

ans = logical
   1

Определить, является ли значение p теста Дурбина-Ватсона для собранной регрессионной модели gMdlLinear является массивом графического процессора.

isgpuarray(dwtest(gMdlLinear))

ans = logical
   0

Определить, является ли потеря повторного замещения классификатора mdlKNN является массивом графического процессора.

isgpuarray(resubLoss(mdlKNN))

ans = logical
   1

Определить, является ли потеря повторного замещения собранного классификатора gMdlKNN является массивом графического процессора.

isgpuarray(resubLoss(gMdlKNN))

ans = logical
   1

Входные аргументы

свернуть все

`mdl` - Модель машинного обучения, оснащенная массивами графических процессоров
объект регрессионной модели | объект классификационной модели

Модель машинного обучения, оснащенная массивами GPU, заданными как объект модели регрессии или классификации, как указано в следующей таблице поддерживаемых моделей.

Имя объекта модели	Описание модели	Функция создания модели
`LinearModel`	Модель полной линейной регрессии	`fitlm`
`CompactLinearModel`	Компактная модель линейной регрессии	`LinearModel` функция объекта `compact`
`GeneralizedLinearModel`	Полная обобщенная модель линейной регрессии	`fitglm`
`CompactGeneralizedLinearModel`	Компактная обобщенная модель линейной регрессии	`GeneralizedLinearModel` функция объекта `compact`
`ClassificationKNN`	k - ближайшая модель классификации соседей	`fitcknn`

Если требуется создать компактную модель, оснащенную массивами графических процессоров, аргумент ввода mdl из compact должен быть объектом полной модели, оснащенным входными аргументами массива GPU.

Расширенные возможности

Массивы графических процессоров
Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Примечания и ограничения по использованию:

Эта функция поддерживает объекты модели, оснащенные входными аргументами графического процессора.

Дополнительные сведения см. в разделе Запуск функций MATLAB на графическом процессоре (панель инструментов параллельных вычислений).

См. также

Темы

Представлен в R2020b

Документация

собраться

Синтаксис

Описание

Примеры

Сбор свойств модели линейной регрессии

Сбор свойств нескольких моделей

Входные аргументы

`mdl` - Модель машинного обучения, оснащенная массивами графических процессоров
объект регрессионной модели | объект классификационной модели

Расширенные возможности

Массивы графических процессоров
Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

Документация

собраться

Синтаксис

Описание

Примеры

Сбор свойств модели линейной регрессии

Сбор свойств нескольких моделей

Входные аргументы

mdl - Модель машинного обучения, оснащенная массивами графических процессоров объект регрессионной модели | объект классификационной модели

Расширенные возможности

Массивы графических процессоров Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

`mdl` - Модель машинного обучения, оснащенная массивами графических процессоров
объект регрессионной модели | объект классификационной модели

Массивы графических процессоров
Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.